摘要
随着互联网的飞速发展，人们越来越喜欢在社交媒体上发表自己对热点事件的看法和意见，面向社交媒体评论的情感分析逐渐成为当下的研究热点。传统的情感分析方法大多基于有监督的学习，需要大量的有情感标注的数据。然而，情感标签的标注需要大量的人力和时间，在实际中可行性较差。 针对情感标注数据不足的问题，本文提出了基于动态阈值算法和多分类器模型的半监督情感分析方法。该方法以迭代的方式自动标注数据，并通过动态阈值算法对自动标注的数据进行筛选，不断扩大有标注的训练数据。筛选阈值随着迭代次数的增加而减小，迭代前期较高的阈值可以保证数据的质量，减少误差在迭代中的累积，迭代后期较低的阈值可以保证最终训练集中有足够多的有标注数据。同时，该方法还改进了传统的多分类器模型并提出了权重投票策略，将分类器在预测类别上的可信度和预测样本的可信度的乘积作为最终的投票权重，提高了模型的泛化能力。 实验结果表明，本文提出的情感分析方法较其他对比方法具有更优的情感预测效果，有力地证明了本文提出的动态阈值算法和权重投票策略的有效性。另外，基于长短期记忆的深度学习模型情感预测效果好于基于支持向量机的机器学习模型，进一步说明了基于深度学习的情感分析方法更能挖掘抽象的情感特征，具有更优的情感预测效果。
NETL